RAGvsSemantic Search

RAG

RAG 是当前最实用的 LLM 增强技术：先从知识库中检索相关文档，再将检索结果作为上下文喂给 LLM 生成回答。这大幅减少了幻觉问题，让 AI 的回答有据可查。

Semantic Search

Semantic Search 理解查询的含义而非字面文字，能找到语义相关但关键词不同的结果。搜「怎么让代码跑得更快」能找到「性能优化」的文章，这就是语义搜索的威力。

RAG

• 解决 LLM 幻觉问题的最实用方案
• 不需要微调模型，知识库更新即时生效
• 核心流程：索引 → 检索 → 生成

Semantic Search

• 理解意图而非匹配关键词
• 基于 Embedding 的向量相似度计算
• Google 搜索已大量使用语义搜索技术

RAG

通过先检索外部知识库中的相关信息再将其作为上下文输入大语言模型来生成更准确回答的技术架构

Semantic Search

基于语义理解和向量相似度而非关键词匹配的智能信息检索技术

RAG

• 企业知识库问答系统
• 文档智能搜索和摘要
• 客服机器人的知识增强

Semantic Search

• 企业内部知识库搜索
• 电商产品的智能搜索
• RAG 系统的检索层

RAG

RAG 由 Meta 在 2020 年提出，已成为企业 AI 应用的标准架构。核心流程是：将文档切分为 chunk → 用 Embedding 模型转为向量 → 存入向量数据库 → 用户提问时检索相关 chunk → 将 chunk 作为上下文喂给 LLM 生成回答。RAG 的优势在于不需要微调模型、知识可实时更新、回答可溯源。挑战包括：检索质量直接影响生成质量、chunk 切分策略影响召回率、以及多跳推理场景下的检索不足。

Semantic Search

Semantic Search 通过 Embedding 技术将查询和文档都转换为语义向量，用向量相似度替代传统的关键词匹配。这解决了传统搜索的「词汇鸿沟」问题——用户的表述方式和文档的用词可能完全不同，但语义是相同的。在实践中，最佳方案通常是混合搜索：结合语义搜索（召回语义相关结果）和关键词搜索（精确匹配专有名词），再用 Reranking 模型重排序。